00:00:00 在本节中,视频讨论了逻辑回归以及它如何涉及使用 S 形函数创建概率而不是特定值。逻辑回归不使用均方误差,而是使用交叉熵作为其误差函数。要使用梯度下降,需要计算误差函数在权重和偏差方面的梯度。学习率用于确定以多快的速度接近梯度给定的方向。在测试过程中,会计算概率,并根据最高概率选择标签。逻辑回归的实现类似于线性回归,但权重和偏差的初始化为零。
00:05:00 在这部分视频中,讲师解释了如何使用 Python 实现逻辑回归,使用 S 型函数来预测结果。该过程包括根据权重和 x 值加上偏差的乘积计算预测,将它们放入 S 形函数中以给出结果,并计算梯度。讲师演示了如何通过迭代计算偏置和更新的梯度。本节还包括如何通过获取概率并根据预测值选择标签来使用逻辑回归进行推理。
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/03 Logistic Regression at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
00:05:00 在本节中,演讲者讨论了在分析所有可能的叶节点之前停止决策树的方法,包括为节点设置最大深度或最小样本数。然后演讲者介绍了两个将用于实现决策树的类:一个 Node 类和一个 DecisionTree 类。节点类包括有关节点被划分的特征和节点值的信息。 DecisionTree 类包括使用 x 和 y 值拟合树、预测新数据以及设置停止条件(如最小样本数和最大深度)的方法。总的来说,演讲者采用循序渐进的方法概述了在 Python 中从头开始实现决策树。
00:10:00 在本节中,演讲者讨论了 grow tree 函数的实现,这是递归构建决策树的主要函数。该函数接受 x 和 y 值,并检查特征数是否不超过实际特征数。该函数首先检查停止条件,然后继续寻找最佳分割、创建子节点并再次调用生长树函数。如果满足停止条件,该函数将创建一个新的叶节点并使用 value 参数返回它。演讲者还讨论了称为“最常见标签”的辅助函数,它利用计数器数据结构并返回数据集中最常见的标签。
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/04 Decision Trees at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/05 Random Forests at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/06 NaiveBayes at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/07 PCA at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
00:10:00在本节中,演示者解释了如何编写 python 代码从头开始实现 SVM。该方法由两部分组成,拟合和预测方法。 fit 方法是我们的训练,它根据给定数据计算权重,而 predict 方法使用权重通过近似给定数据来预测输出。演示者进一步解释了根据不同梯度的代码更新,这取决于条件。条件 y times W Times x minus B 应该大于或等于 1,我们使用 numpy dot 来检查。代码跟进从 sklearn 和 matplotlib 导入训练测试、拆分和数据集,并创建一个示例数据集,其中包含两个具有两个特征的数据集,然后确保类为 -1 和加一,分为训练集和测试集,并运行 svm 来预测准确性。演示者还概述了用于绘制决策边界和正一负一两个超平面的代码,这证实了准确的实施。
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/09 SVM at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
00:10:00 在本节中,演示者解释了使用 Python 从头开始实现感知器。感知器的更新规则是 delta w = alpha 乘以 y 减去 y hat 乘以 x,delta bias 是 alpha 乘以 y 减去 y hat。然后演示者使用此规则根据更新部分更新权重和偏差。在解释了 fit 方法之后,演示者继续介绍 predict 方法,其中计算线性输出,然后通过激活函数得到 y 预测值。最后,演示者使用辅助函数测试此实现的准确性,数据集生成具有 150 个样本和两个特征的 blob,创建具有学习率和迭代次数的感知器,用训练数据对其进行拟合,并用测试数据进行预测。准确率为 100%,表明决策边界学习成功。
Implementation of popular ML algorithms from scratch - Machine-Learning-From-Scratch/10 KMeans at main · AssemblyAI-Examples/Machine-Learning-From-Scratch
OpenAI has finally released the most anticipated ChatGPT model today, called "gpt-3.5-turbo". Unlike the GPT 3.0 models that work like a search engine, Cha...
该视频介绍了如何使用 ChatGPT 官方 API 在 Python 中使用 OpenAI GPT-4 API。生成 API 密钥并安装 OpenAI python 包后,用户可以通过创建函数并使用模型 ID 和对话日志调用 OpenAI 的端点来使用 GPT-4 模型。演讲者演示了如何将对话日志附加到组合日志参数、创建命令行工具以及使用 ChatGPT API 生成响应。鼓励观众试用 API 并订阅频道以观看未来的视频。
00:00:00 在本节中,视频介绍了如何在 Python 中使用 ChatGPT Official API。 API 基于 GPT-4 模型,有四种不同的版本可用。常规 GPT-4 模型最多可以接受 8192 个令牌,而 GPT-4 32k 模型最多可以接受 32768 个令牌。要使用 API,您首先需要通过在 platform.openai.com 上注册一个帐户来生成 API 密钥。然后,您必须安装 OpenAI python 包并将 API 密钥附加到 OpenAI 模块。最后,您可以在 Python 中使用 GPT-4 模型,方法是创建一个函数并对 OpenAI 的端点进行 API 调用,将模型 ID 和对话日志列表传递给该方法。
00:05:00 在本节中,演讲者演示了如何在 Python 中使用 OpenAI GPT-4 API。他们首先创建对话列表并解释 API 如何访问该列表以提供响应。要向 API 发送请求,用户需要提供一个行 ID 来标识对话是属于 AI 还是属于用户,以及对话的内容。演讲者分享了一个示例代码块,它向列表中添加了一个对话,并展示了如何使用聊天 GPT 对话功能调用 API。他们还解释了响应格式,包括时间戳和 API 调用的成本,以及如何在选择键中访问 GPT-4 响应。
00:10:00 在本节中,演讲者将介绍如何在 OpenAI GPT-4 API 中使用 Python 将对话日志附加到合成日志参数。它们引用包含最新记录的组合锁,并将来自 choices 键的响应记录附加到组合日志参数。然后通过运行代码块并打印组成列表来测试输出。演讲者还演示了如何创建命令行工具以允许用户提供输入,然后可以根据用户的目的将其附加到作文日志中。总体而言,本节为希望在 Python 中使用 OpenAI GPT-4 API 的开发人员提供了有用的指南。
00:15:00 在本节中,演示者展示了如何使用 ChatGPT API 通过 Python 生成响应。他编写了一个函数来接收用户输入并将其发送到 API,然后打印出响应。他通过要求 API 给他讲笑话并显示输出来演示这一点,其中包括用户输入和 API 响应。最后,演示者鼓励观众试用 ChatGPT API 并点赞和订阅他的频道。
In this video, we will learn 1) how to use OpenAI GPT-4 API, and 2) how to build a simple ChatGPT command line tool in Python.📑 Source Code: https://wp.me/p...
如何使用 Python 从零开始实现逻辑回归
代码:https: //github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/03%20Logistic%20Regression
如何使用 Python 从零开始实现逻辑回归
该视频解释了如何使用 Python 从头开始实现逻辑回归,使用 sigmoid 函数创建概率和交叉熵作为误差函数。讲师分享了通过迭代计算预测、梯度和更新偏差的分步说明。他们还演示了如何加载乳腺癌数据集并训练逻辑回归分类器来预测肿瘤是恶性还是良性。该视频最后使用自定义函数评估模型的准确性。总的来说,实现是成功的,证明逻辑回归算法效果很好。
如何使用 Python 从头开始实现决策树
代码:https: //github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/04%20Decision%20Trees
如何使用 Python 从头开始实现决策树
该视频提供了使用 Python 从头开始构建决策树的分步指南。演讲者解释了决策树的概念、它们的工作原理以及它们的构建方式。他们讨论了停止标准、生长树函数、辅助函数“最常见的标签”、“信息增益”、“熵”和“分裂”,以及预测函数。演讲者还演示了如何计算信息增益、加权熵和准确性。此外,他们还测试决策树模型并为查看者提供指向其 GitHub 存储库的链接,其中提供了代码。
如何用 Python 从零开始实现随机森林
代码:https: //github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/05%20Random%20Forests
如何用 Python 从零开始实现随机森林
本视频教程讲授如何使用 Python 从头开始实施随机森林。在训练期间,选择数据集的随机子集,并使用该子集创建决策树。对开始算法之前确定的树数重复此过程。在推理过程中,预测是从每棵树中获得的,如果是分类,则采用类标签的多数票。演讲者演示了如何通过创建一个列表将决策树传播到其中并将其添加到 Numpy 数组来实现它。可以使用正确预测的真实值的数量除以真实值的总数来计算准确度。演讲者还谈到可以修改树的数量、最大深度和最小样本分割以获得更高的准确性。
如何使用 Python 从零开始实现朴素贝叶斯
代码:https: //github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/06%20NaiveBayes
如何使用 Python 从零开始实现朴素贝叶斯
本视频教程重点介绍如何使用 Python 从头开始实施朴素贝叶斯。讲师概述了贝叶斯定理和独立性假设。他们解释了如何计算训练算法所必需的先验概率和类别条件概率。演讲者还介绍了高斯分布作为概率建模的一种方式。该视频通过代码演示了该算法的训练和预测步骤。讲师在包含两个类别的玩具数据集上测试该算法,准确率达到 96.5%。总的来说,对于那些有兴趣学习朴素贝叶斯并在 Python 中实现它的人来说,本教程是一个有用的资源。
如何用Python从零开始实现PCA(主成分分析)
代码: https ://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/07%20PCA
如何用Python从零开始实现PCA(主成分分析)
该视频介绍了使用 Python 和 Numpy 从头开始实施主成分分析 (PCA) 的过程。 PCA 是一种在保留大部分信息的同时降低数据集维度的技术。讲师将逐步介绍使用拟合和转换方法创建 Python 类以对数据集执行 PCA 的步骤。 fit方法首先计算数据的均值和协方差,提取特征向量和特征值。 transform 方法然后将数据投影到主成分上。演讲者强调了在此过程中减去均值和对特征向量进行排序的重要性。最后,该实现在鸢尾花数据集上进行了测试,成功地将维度从四维降为二维。
如何用Python从零开始实现SVM(支持向量机)
代码: https ://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/09%20SVM
如何用Python从零开始实现SVM(支持向量机)
支持向量机 (SVM) 旨在找到一个线性决策边界,使类之间的分离最大化,并在训练期间学习权重。成本函数涉及一个铰链损失,它决定了我们离决策边界的正确一侧有多远,并添加了一个正则化项来权衡最小化损失和最大化距离。计算梯度,导出更新规则,初始化权重,而预测函数是线性函数的输出。提供了使用 NumPy 和 Scikit-learn 库在 Python 中从头开始实现 SVM 的代码,包括导入列车测试和拆分、数据集,以及绘制决策边界和两个超平面确认准确实现。
如何用 Python 从零开始实现 Perceptron
代码:https: //github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/08%20Perceptron
如何用 Python 从零开始实现 Perceptron
该视频教程解释了 Perceptron 算法背后的理论,该算法只能使用激活函数、权重和输入来学习线性可分模式以进行二元分类。然后,演示者通过选择优化算法的学习率和迭代次数并将激活函数定义为单位阶跃函数,概述了在 Python 中从头开始实施感知器模型的必要步骤。初始化权重和偏差后,模型根据感知器更新规则更新权重和偏差,从而从训练数据中学习。最后,presenter 通过预测测试数据的类标签来评估模型的准确性,准确率为 100%,表明决策边界学习成功。
如何使用 Python 从零开始实现 K-Means
代码: https://github.com/AssemblyAI-Examples/Machine-Learning-From-Scratch/tree/main/10%20KMeans
如何使用 Python 从零开始实现 K-Means
该视频演示了如何使用 Python 从头开始实施 K-Means 聚类算法。 K-Means 是一种无监督学习算法,通过迭代更新均值或质心直到没有进一步变化,将未标记数据聚类到 k 个不同的簇中。该视频介绍了初始化空集群以及为集群和迭代次数设置参数、更新集群标签和质心,以及在没有变化时停止优化循环。演讲者还解释了测量欧氏距离以计算最近质心的重要性,并提供了 Matplotlib 中预先编写的绘图函数以可视化聚类过程。
在 Python 中开始使用 OpenAI ChatGPT (GPT-3.5) API |初学者教程
在 Python 中开始使用 OpenAI ChatGPT (GPT-3.5) API |初学者教程
该视频教程向初学者介绍了如何在 Python 中使用 OpenAI ChatGPT (GPT-3.5) API。演示者介绍了 GPT 3.5 Turbo 模型作为 DaVinci 的更便宜的替代品,DaVinci 是一种组合模型,可以生成自然语言和代码,并且没有令牌或总数限制。然后,本教程演示了如何注册 OpenAI 帐户、获取 API 密钥以及使用 chat_gpt-completion 函数来保存包含用户和系统输入的对话日志。该视频还介绍了如何检索回复、追加后续问题以及修改代码以保持对话不间断进行。
在 Python 中开始使用 OpenAI GPT-4 API(ChatGPT 官方 API)
在 Python 中开始使用 OpenAI GPT-4 API(ChatGPT 官方 API)
该视频介绍了如何使用 ChatGPT 官方 API 在 Python 中使用 OpenAI GPT-4 API。生成 API 密钥并安装 OpenAI python 包后,用户可以通过创建函数并使用模型 ID 和对话日志调用 OpenAI 的端点来使用 GPT-4 模型。演讲者演示了如何将对话日志附加到组合日志参数、创建命令行工具以及使用 ChatGPT API 生成响应。鼓励观众试用 API 并订阅频道以观看未来的视频。